面向高维数据的PCA-Hubness聚类方法

hub聚类算法可以解决传统聚类算法无法处理高维数据的问题。然而,由于它未考虑数据中的冗余和噪声特征,从而降低聚类性能。因此,提出PCA-Hubness聚类方法用于提高高维数据的聚类性能。PCA-Hubness聚类方法利用逆近邻数的偏度和本征维度的相互关系,以偏度的变化率为降维依据,保证在对高维数据降维时不会损失过多的有价值信息,有利于提高聚类效果。此算法在UCI数据集上进行实验,相比hub聚类算法,轮廓系数平均提高15%。

基于加权SIFT特征的目标检测算法

复杂图像中对特定目标的检测和定位是机器视觉领域的难点之一。提出使用中层视觉元素描述检测目标,以建立权值模板图像;然后对目标图像和权值模板进行加权SIFT特征匹配得到最优匹配位置,从而实现目标检测。该方法以自行车为检测目标进行实验,检测率达到86%,优于传统SIFT-Ada Boost和HOG-SVM检测方法。实验结果表明该方法能够减少复杂图像中背景干扰的问题,对于不同姿态的目标进行检测也有较强的鲁棒性。